BAB IV IMPLEMENTASI DAN ANALISA
Bab ini membahas uraian implementasi sistem yang berupa hasil penelitian dalam melakukan pengujian kombinasi feature, optimalisasi jaringan syaraf tiruan,
percobaan metode training dalam jaringan, serta pengujian data tunggal dan uraian mengenai analisa hasil output terkait dengan keberhasilan pemilihan atributfeature
dan akurasinya.
4.1. Hasil Penelitian
4.1.1. Pengujian Kombinasi Feature
Gambar 4.1 Hasil Ekstraksi Ciri Suara
Hasil penelitian berupa nilai akurasi dari pengenalan jenis burung berdasarkan suara kicaunya. Data yang digunakan untuk pelatihan sejumlah 120
data untuk masing-masing jenis burung. Ada beberapa kombinasi yang dilakukan dalam penelitian ini, yaitu kombinasi nilai statistik dari feature MFCC yang telah
dihasilkan pada saat proses ekstraksi ciri, nilai neuron pada satu atau dua hidden layer terhadap jenis feature yang digunakan, masing-masing hidden layer akan
diberikan nilai H dimana, ≤ � ≤
dan nilai H akan bertambah sebanyak 10 untuk setiap percobaannya. Percobaan awal yang dilakukan adalah uji coba
kombinasi feature pada beberapa k-fold sehingga dapat diketahui kombinasi feature mana saja yang menghasilkan akurasi terbaik dan dihasilkan pada k-fold berapa,
lalu kombinasi tersebut akan dilakukan uji coba lagi dengan mengubah parameter- parameter yang ada pada jaringan, yaitu jumlah hidden layer dan jumlah neuron
pada masing-masing hidden layer tersebut. Untuk percobaan awal, parameter jaringan yang digunakan adalah sebagai
berikut : 1.
Fungsi transfer hidden layer 1: tansig 2.
Fungsi aktivasi: softmax 3.
Fungsi training: trainscg 4.
Batas epoch: 100 Hasil dari percobaan awal tersebut dapat dilihat pada grafik akurasi gambar
4.2, gambar 4.3, dan gambar 4.4. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
Gambar 4.2 Grafik akurasi untuk 3 fold cross validation
Pada gambar 4.2 dari hasil pengujian kombinasi feature pada 3 fold cross validation dapat dilihat bahwa akurasi pada kombinasi feature variance, min, dan max pada MFCC 13 menghasilkan nilai tertinggi yaitu 83.33 dibandingkan dengan kombinasi feature
lainnya pada MFCC yang sama maupun berbeda. Namun dapat dilihat juga bahwa feature mean pada MFCC 13 tanpa kombinasi
M V
Mi Ma
M,V M,Mi
M,Ma V,Mi
V,Ma Mi,Ma
M,V,Mi M,V,Ma
V,Mi,Ma M,V,Mi,
Ma Feature
MFCC 13 85.28
80.28 80.83
79.72 68.61
78.61 75
71.39 73.33
82.5 70.83
71.94 83.33
79.44 MFCC 26
72.5 76.94
77.5 73.61
75 72.78
73.61 73.06
76.11 78.61
74.72 76.39
78.89 73.61
MFCC 39 72.22
79.17 83.89
71.67 76.39
75.56 75.28
73.06 73.89
73.61 72.5
69.72 72.5
79.72 10
20 30
40 50
60 70
80 90
A ku
ras i
3 Fold Cross Validation
45
dengan feature lainnya menghasilkan akurasi yang jauh lebih besar dibandingkan dengan kombinasi feature variance, min, dan max tersebut yaitu sebesar 85.28.
Gambar 4.3 Grafik akurasi untuk 5 fold cross validation
M V
Mi Ma
M,V M,Mi
M,Ma V,Mi
V,Ma Mi,Ma
M,V,Mi M,V,Ma
V,Mi,Ma M,V,Mi,
Ma Feature
MFCC 13 98.61
84.17 94.44
90.28 98.89
95.28 98.61
91.39 92.5
95.56 94.72
96.94 90.83
94.72 MFCC 26
98.33 88.61
92.5 83.61
95.28 96.67
95.83 96.11
89.17 91.39
94.44 93.33
95.56 91.11
MFCC 39 97.22
91.11 95.28
84.72 95.28
95 93.33
88.06 86.11
90.56 93.06
91.11 97.22
95.56 75
80 85
90 95
100
A ku
ras i
5 Fold Cross Validation
46
Pada gambar 4.3 dari hasil pengujian kombinasi feature pada 5 fold cross validation dapat dilihat bahwa akurasi pada kombinasi feature mean, dan variance pada MFCC 13 menghasilkan nilai tertinggi yaitu 98.89 dibandingkan dengan kombinasi feature lainnya
pada MFCC yang sama maupun berbeda. Namun dapat dilihat juga bahwa feature mean pada MFCC 13 tanpa kombinasi dengan feature lainnya juga mampu menghasilkan nilai akurasi yang cukup besar dibandingkan dengan feature tanpa kombinasi feature lainnya
maupun feature dengan kombinasi feature lainnya, yaitu sebesar 98.61. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
Gambar 4.4 Grafik akurasi untuk 10 fold cross validation
Pada gambar 4.4 dari hasil pengujian kombinasi feature pada 10 fold cross validation dapat dilihat bahwa akurasi pada kombinasi feature mean, dan variance pada MFCC 13 menghasilkan nilai tertinggi yaitu 99.17 dibandingkan dengan kombinasi
feature lainnya pada MFCC yang sama maupun berbeda. Namun dapat dilihat juga bahwa feature mean pada MFCC 13 dan MFCC 26
M V
Mi Ma
M,V M,Mi
M,Ma V,Mi
V,Ma Mi,Ma
M,V,Mi M,V,Ma
V,Mi,Ma M,V,Mi,
Ma Feature
MFCC 13 99.44
93.89 93.89
95.28 99.17
96.94 98.89
93.61 97.22
96.67 97.5
98.89 96.39
98.06 MFCC 26
99.44 95.56
94.72 95.83
97.78 97.22
98.33 97.22
97.22 98.06
98.33 98.89
94.72 97.78
MFCC 39 99.17
90.56 96.39
92.78 98.06
96.39 97.5
95.28 96.39
96.94 96.39
98.89 92.5
97.78 84
86 88
90 92
94 96
98 100
A ku
ras i
10 Fold Cross Validation
48
tanpa kombinasi dengan feature lainnya menghasilkan akurasi yang jauh lebih besar dibandingkan dengan kombinasi feature mean, dan variance tersebut yaitu sebesar 99.44.
Berdasarkan ketiga grafik hasil akurasi di atas, dapat disimpulkan bahwa feature mean pada MFCC 13, MFCC 26, dan MFCC 39 sudah mampu menghasilkan akurasi yang baik tanpa harus dilakukan kombinasi dengan feature lainnya. Selain itu dapat
disimpulkan juga bahwa semakin besarnya nilai k-fold, akurasi yang dihasilkan juga semakin baik, hal ini terjadi karena pada dasarnya pembagian data training akan jauh lebih banyak dibandingan dengan k-fold yang bernilai kecil. Sehingga pada ujicoba optimalisasi
jaringan syaraf tiruan dapat dilakukan hanya dengan feature mean saja tanpa harus dikombinasikan dengan feature lainnya dan dilakukan dengan k-fold = 10.
4.1.2. Optimalisasi Jaringan Syaraf Tiruan
Kategori